text_summaries.ipynb

Kernel: Python 3

Copyright 2021 The TensorFlow Authors.

#@title Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
# https://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

Exibição de dados de texto no TensorBoard

Ver em TensorFlow.org

Executar no Google Colab

Ver fonte no GitHub

Baixar notebook

Visão geral

Usando a API Text Summary do TensorFlow, você pode facilmente registrar texto arbitrário e visualizá-lo no TensorBoard. Isso pode ser extremamente útil para a amostragem e análise dos seus dados de entrada ou para a gravação dos metadados da execução ou texto gerado. Você também pode registrar dados de diagnóstico como texto que pode ser útil durante o desenvolvimento do seu modelo.

Neste tutorial, você testará alguns casos de uso básicos da API Text Summary.

Configuração

try:
  # %tensorflow_version only exists in Colab.
  %tensorflow_version 2.x
except Exception:
  pass

# Load the TensorBoard notebook extension.
%load_ext tensorboard

import tensorflow as tf

from datetime import datetime
import json
from packaging import version
import tempfile

print("TensorFlow version: ", tf.__version__)
assert version.parse(tf.__version__).release[0] >= 2, \
    "This notebook requires TensorFlow 2.0 or above."

TensorFlow version:  2.5.0-dev20210219

Registro de um único trecho de texto

Para entender como a API Text Summary API funciona, você registrará apenas um trecho de texto e verá como ele é apresentado no TensorBoard.

my_text = "Hello world! 😃"

# Clear out any prior log data.
!rm -rf logs

# Sets up a timestamped log directory.
logdir = "logs/text_basics/" + datetime.now().strftime("%Y%m%d-%H%M%S")
# Creates a file writer for the log directory.
file_writer = tf.summary.create_file_writer(logdir)

# Using the file writer, log the text.
with file_writer.as_default():
  tf.summary.text("first_text", my_text, step=0)

Agora, use o TensorBoard para examinar o texto. Aguarde alguns segundos para a interface do usuário inicializar.

%tensorboard --logdir logs

Organização de vários fluxos de texto

Se você tiver vários fluxos de texto, poderá mantê-los em namespaces separados para ajudar na organização, como escalares ou outros dados.

Observe que, se você registrar o texto em muitos passos, o TensorBoard fará uma subamostra dos passos exibidos para tornar a apresentação gerenciável. Você pode controlar a taxa de amostragem usando a flag --samples_per_plugin.

# Sets up a second directory to not overwrite the first one.
logdir = "logs/multiple_texts/" + datetime.now().strftime("%Y%m%d-%H%M%S")
# Creates a file writer for the log directory.
file_writer = tf.summary.create_file_writer(logdir)

# Using the file writer, log the text.
with file_writer.as_default():
  with tf.name_scope("name_scope_1"):
    for step in range(20):
      tf.summary.text("a_stream_of_text", f"Hello from step {step}", step=step)
      tf.summary.text("another_stream_of_text", f"This can be kept separate {step}", step=step)
  with tf.name_scope("name_scope_2"):
    tf.summary.text("just_from_step_0", "This is an important announcement from step 0", step=0)
    

%tensorboard --logdir logs/multiple_texts --samples_per_plugin 'text=5'

Interpretação do Markdown

O TensorBoard interpreta resumos de texto como Markdown, já que o texto formatado pode facilitar a leitura e compreensão dos dados registrados, conforme mostrado abaixo. (Se você não quiser a interpretação do Markdown, veja neste issue alternativas para suprimi-la.)

# Sets up a third timestamped log directory under "logs"
logdir = "logs/markdown/" + datetime.now().strftime("%Y%m%d-%H%M%S")
# Creates a file writer for the log directory.
file_writer = tf.summary.create_file_writer(logdir)

some_obj_worth_noting = {
  "tfds_training_data": {
      "name": "mnist",
      "split": "train",
      "shuffle_files": "True",
  },
  "keras_optimizer": {
      "name": "Adagrad",
      "learning_rate": "0.001",
      "epsilon": 1e-07,
  },
  "hardware": "Cloud TPU",
}


# TODO: Update this example when TensorBoard is released with
# https://github.com/tensorflow/tensorboard/pull/4585
# which supports fenced codeblocks in Markdown.
def pretty_json(hp):
  json_hp = json.dumps(hp, indent=2)
  return "".join("\t" + line for line in json_hp.splitlines(True))

markdown_text = """
### Markdown Text

TensorBoard supports basic markdown syntax, including:

    preformatted code

**bold text**

| and | tables |
| ---- | ---------- |
| among | others |
"""

with file_writer.as_default():
  tf.summary.text("run_params", pretty_json(some_obj_worth_noting), step=0)
  tf.summary.text("markdown_jubiliee", markdown_text, step=0)
    

%tensorboard --logdir logs/markdown